средняя_абсолютная_ошибка

sklearn.metrics.mean_absolute_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')[source]

Ошибка регрессии по средней абсолютной ошибке.

Подробнее см. в Руководстве пользователя.

Параметры:

y_truearray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные (правильные) значения целевой переменной.

y_predarray-like формы (n_samples,) или (n_samples, n_outputs)

Оценённые значения целевой переменной.

sample_weightarray-like формы (n_samples,), по умолчанию None

Веса образцов.

multioutput{‘raw_values’, ‘uniform_average’} или array-like формы (n_outputs,), по умолчанию ‘uniform_average’

Определяет агрегирование нескольких выходных значений. Значение array-like определяет веса, используемые для усреднения ошибок.

‘raw_values’ :

Возвращает полный набор ошибок в случае многовыходного входного сигнала.

‘uniform_average’ :

Ошибки всех выходов усредняются с равными весами.

Возвращает:

lossfloat или массив float

Если multioutput — ‘raw_values’, возвращается средняя абсолютная ошибка для каждого выхода отдельно. Если multioutput — ‘uniform_average’ или ndarray весов, возвращается взвешенное среднее всех ошибок выходов.

Значение MAE — неотрицательное число с плавающей точкой. Лучшее значение — 0.0.

Примеры

>>> from sklearn.metrics import mean_absolute_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> mean_absolute_error(y_true, y_pred)
0.5
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> mean_absolute_error(y_true, y_pred)
0.75
>>> mean_absolute_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.85...

Примеры из галереи

Запаздывающие признаки для прогнозирования временных рядов

Регрессия Пуассона и ошибки, не подчиняющиеся нормальному закону

Регрессия квантилей

Регрессия Твидди на данных страховых требований